CN111880117B - 能馈供电装置的故障诊断方法、装置及存储介质 - Google Patents

Abstract

本申请提供一种能馈装置开路故障诊断方法、装置及存储介质。该方法包括：获取能馈供电装置的脉冲宽度调制PWM整流器的三相电流波形；确定所述三相电流波形的故障特征量；将所述故障特征量输入目标神经网络模型，得到所述PWM整流器的实时故障诊断结果。本申请的方法可以进行开关器件开路故障的诊断，可以有效的缩短能馈供电装置处于故障运行的时间，降低能馈供电装置的运行风险。

Description

能馈供电装置的故障诊断方法、装置及存储介质

技术领域

本申请涉及整流器开关器件开路故障诊断技术，尤其涉及一种能馈供电装置的故障诊断方法、装置及存储介质。

背景技术

城市轨道交通由于具有安全舒适、载客量大、运行速度快、节能环保等优势，成为了解决日益严重的城市拥堵问题的首选方案。能馈供电装置的直流侧电压可调，且可以实现列车的再生制动能量的回馈再利用，具有较好的节能效果，同时还能为列车提供牵引能量，提供直流供电品质。此外，能馈供电装置还有着无功补偿、直流稳压、谐波补偿等功能，因此，可以作为城市轨道交通***中的供电装置。而能馈供电装置之所以有众多性能良好的优点，是因为能馈供电装置相比于传统的二极管整流器拥有更精密的开关器件。然而这些精密的开关器件在运行时易发生故障。据统计，38％的变流装置故障是由功率开关器件开路和短路故障引起的。开关器件短路故障因为短时危害严重且电流升高明显，目前已能有效的诊断并在发生故障的第一时间进行故障切除；而开关器件开路故障由于短时间内危害较小，且故障电流变化不明显，目前难以有效监控。

如果开关器件长时间处于开路故障状态，不但会导致设备寿命减少，还可能会引发二次故障，造成更加严重的后果。因此，如何进行开关器件开路故障的诊断，降低能馈供电装置的运行风险，是亟待解决的问题。

发明内容

本申请提供一种能馈供电装置的故障诊断方法、装置及存储介质，用以进行开关器件开路故障的诊断，降低能馈供电装置的运行风险。

一方面，本申请提供一种能馈供电装置的故障诊断方法，包括：

获取能馈供电装置的脉冲宽度调制PWM整流器的三相电流波形；

确定所述三相电流波形的故障特征量，所述故障特征量为基于小波包分解法从三相电流波形信号中提取的范数熵；

将所述故障特征量输入目标神经网络模型，得到所述PWM整流器的实时故障诊断结果。

其中一项实施例中，所述将所述故障特征量输入目标神经网络模型，得到所述PWM整流器的实时故障诊断结果之前，还包括：

确定初始神经网络模型的结构数据，所述结构数据包括输入层节点个数、隐含层节点个数和输出层节点个数；

根据所述初始神经网络模型的结构数据，创建初始神经网络模型；

训练所述初始神经网络模型，将训练完成的所述初始神经网络模型作为所述目标神经网络模型。

其中一项实施例中，所述训练所述初始神经网络模型，包括：

获取布谷鸟算法；

根据所述初始神经网络模型的结构数据，使用布谷鸟算法对所述初始神经网络模型的参数进行编码，得到所述初始神经网络的编码数据；

根据编码数据更新所述初始神经网络模型，得到所述目标神经网络模型。

其中一项实施例中，所述根据所述初始神经网络模型的结构数据，使用布谷鸟算法对所述初始神经网络模型的参数进行编码，包括：

获取所述布谷鸟算法中布谷鸟种群的每个布谷鸟个体对应于所述初始神经网络模型的待编码权值和待编码阈值，得到与每个所述布谷鸟个体对应的待编码数据，所述待编码数据包括待编码权值和待编码阈值；

确定与所述布谷鸟种群中每个所述布谷鸟个体对应的各个适应度值，得到适应度值数据组，所述适应度值数据组中的适应度值的数量等于所述预设数量；

根据所述适应度值数据组中的适应度值的平均值，得到目标布谷鸟个体；

确定与所述目标布谷鸟个体对应于所述初始神经网络模型的待编码权值和待编码阈值，得到所述编码数据。

其中一项实施例中，所述根据所述适应度值数据组中的适应度值的平均值，得到目标布谷鸟个体，包括：

若所述适应度值数据组中的适应度值的平均值大于或等于预设平均值，则获取所述适应度值数据组中的最大适应度值，并确定与所述最大适应度值对应的布谷鸟个体，得到目标布谷鸟个体。

其中一项实施例中，所述方法还包括：

若所述适应度值平均值小于所述预设平均值，则迭代更新所述布谷鸟种群，直至更新后的所述布谷鸟种群对应的适应度值平均值大于或等于所述预设平均值或者所述迭代更新的次数达到预设更新次数。

其中一项实施例中，所述迭代更新所述布谷鸟种群，直至更新后的所述布谷鸟种群对应的适应度值平均值大于或等于所述预设平均值或者所述迭代更新的次数达到预设更新次数，包括：

A、获取所述布谷鸟种群中的第一布谷鸟个体和第二布谷鸟个体；

B、分别获取所述第一布谷鸟个体对应的适应度值和所述第二布谷鸟个体对应的适应度值，得到第一适应度值和第二适应度值；

C、若所述第二适应度值大于所述第一适应度值，则将所述第一布谷鸟个体替换为所述第二布谷鸟个体；

D、剔除n×p_a个适应度最差的个体，并随机生成n个个体补充入所述布谷鸟种群，形成所述更新后的布谷鸟种群；其中，n为输入层节点个数，p_a取值范围为0～1。

迭代执行步骤A-D，直至所述更新后的布谷鸟种群对应的适应度值平均值大于或等于预设平均值或者所述迭代更新的次数达到预设更新次数。

其中一项实施例中，所述确定所述三相电流波形的故障特征量，包括：

基于小波包算法，确定所述三相电流波形的故障特征量。

其中一项实施例中，所述方法还包括：

获取已知故障诊断结果对应的三相电流波形，得到测试波形；

将所述测试波形输入至所述目标神经网络模型，得到故障诊断结果；

对比所述故障诊断结果和所述已知故障诊断结果，确定所述目标神经网络模型的诊断准确率；

若所述诊断准确率大于或等于预设准确率，则获取并保存所述目标神经网络模型的神经网络结构和模型参数，得到诊断神经网络模型，其中，所述诊断神经网络模型不再被更新；

将所述故障特征量输入至所述诊断神经网络模型，得到所述PWM整流器的实时故障诊断结果。

另一方面，本申请还提供一种能馈装置开路故障诊断装置，包括：

获取模块，用于能馈供电装置的脉冲宽度调制PWM整流器的三相电流波形；

处理模块，用于确定所述三相电流波形的故障特征量，所述故障特征量为基于小波包分解法从三相电流波形信号中提取的范数熵；

所述处理模块还用于将所述故障特征量输入目标神经网络模型，得到所述PWM整流器的实时故障诊断结果。

另一方面，本申请还提供一种计算机设备，包括存储器，处理器和收发器，所述存储器用于存储指令，所述收发器用于和其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述计算机设备执行如上实施例所述的能馈装置开路故障诊断方法。

另一方面，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当所述指令被执行时，使得计算机执行如上实施例所述的能馈装置开路故障诊断方法。

本申请提供一种能馈供电装置的故障诊断方法，包括获取能馈供电装置的PWM整流器的三相电流波形；确定所述三相电流波形的故障特征量；将所述故障特征量输入目标神经网络模型，得到该PWM整流器的实时故障诊断结果。本申请提供的能馈供电装置的故障诊断方法可以实现该PWM整流器的故障的在线监控和实时诊断，能够在故障发生的第一时间发出警告，帮助工作人员及时采取相应的措施解决PWM整流器的故障。本申请提供的能馈供电装置的故障诊断方法可以有效的缩短能馈供电装置处于故障运行的时间，从而降低能馈供电装置的运行风险，延长能馈供电装置的使用寿命。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1为本申请的一个实施例提供的能馈供电装置的故障诊断方法的应用场景示意图。

图2为本申请的一个实施例提供的能馈供电装置的故障诊断方法的流程示意图。

图3为本申请的另一个实施例提供的能馈供电装置的故障诊断方法的流程示意图。

图4为本申请的又一个实施例提供的能馈供电装置的故障诊断方法的流程示意图。

图5为本申请的另一个实施例提供的能馈供电装置的故障诊断方法的流程示意图。

图6为本申请的又一个实施例提供的能馈供电装置的故障诊断方法的流程示意图。

图7为本申请的另一个实施例提供的能馈供电装置的故障诊断方法的流程示意图。

图8为本申请的一个实施例提供的能馈供电装置的故障诊断装置的示意图。

图9为本申请的一个实施例提供的计算机设备的示意图。

通过上述附图，已示出本公开明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本公开构思的范围，而是通过参考特定实施例为本领域技术人员说明本公开的概念。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

首先对本申请所涉及的名词进行解释：

脉冲宽度调制(Pulse Width Modulation，简称PWM)整流器：中等容量单位功率因数采用的主要技术，一般需要使用自关断器件。

城市轨道交通由于具有安全舒适、载客量大、运行速度快、节能环保等优势，成为了解决日益严重的城市拥堵问题的首选方案。能馈供电装置的直流侧电压可调，且可以实现列车的再生制动能量的回馈再利用，具有较好的节能效果，同时还能为列车提供牵引能量，提供直流供电品质。此外，能馈供电装置还有着无功补偿、直流稳压、谐波补偿等功能，因此，可以作为城市轨道交通***中的供电装置。而能馈供电装置之所以有众多性能良好的优点，是因为能馈供电装置相比于传统的二极管整流器拥有更精密的开关器件。然而这些精密的开关器件在运行时易发生故障。据统计，38％的变流装置故障是由功率开关器件开路和短路故障引起的。开关器件短路故障因为短时危害严重且电流升高明显，目前已能有效的诊断并在发生故障的第一时间进行故障切除；而开关器件开路故障由于短时间内危害较小，且故障电流变化不明显，目前难以有效监控。

如果开关器件长时间处于开路故障状态，不但会导致设备寿命减少，还可能会引发二次故障，造成更加严重的后果。因此，如何进行开关器件开路故障的诊断，降低能馈供电装置的运行风险，是亟待解决的问题。

本申请提供的能馈供电装置的故障诊断方法、装置及存储介质旨在解决现有技术的如上技术问题。

本申请提供的能馈供电装置的故障诊断方法应用于计算机设备，该计算机设备例如计算机、服务器、平板电脑、手机等。本申请提供的能馈供电装置的故障诊断方法应用于计算机。图1为本申请提供的能馈供电装置的故障诊断方法的应用示意图，图中，该计算机设备接收来自能馈供电装置的脉冲宽度调制PWM整流器的三相电流波形。

下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本申请的实施例进行描述。

请同时参见图2，本申请提供一种能馈供电装置的故障诊断方法，包括：

S201，获取能馈供电装置的PWM整流器的三相电流波形。

该PWM整流器的三相电流波形也可以理解为PWM整流器的整流交流侧的三相电流波形。该三相电流波形是在该PWM整流器在运行过程中实时采集的。

S202，确定该三相电流波形的故障特征量，该故障特征量为基于小波包分解法从三相电流波形信号中提取的范数熵；

该故障特征量指的是基于小波包分解法从三相电流波形信号中提取的范数熵，举例说明，该故障特征量指的是该三相电流波形经小波包分解后，再通过提取小波包范数熵来获得能够表征其故障类型的特征量。在一个实施例中，可以基于小波包算法确定该三相电流波形的故障特征量，采取小波包分解法从该三相电流波形中提取相应的故障特征量，保证了运算的实时性与快速性。

如图1所示，本申请提供的能馈供电装置的故障诊断方法是针对于PWM整流器主回路的五种运行状况进行诊断的，该五种运行状况包括单管开路故障、交叉半桥上两个绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor，简称IGBT)同时发生开路故障、单相桥臂上两个IGBT同时发生开路故障、同一半桥两个IGBT同时发生开路故障和正常运行。

S203，将该故障特征量输入目标神经网络模型，得到该PWM整流器的实时故障诊断结果。

将该故障特征量输入目标神经网络，进而由目标神经网络输出该PWM整流器主回路开关器件的实时故障诊断结果。该诊断结果可以包括该PWM整流器的运行状态、具体故障、故障编码，该运行状态例如为整流，该具体故障例如为G5G6故障。在一个实施例中，该计算机设备可以显示该PWM整流器的运行状态、具体故障和故障编码，还可以通过在显示PWM整流器的图形基础上显示PWM整流器上的具体故障，例如故障位置，故障程度等。该计算机设备还可以显示实时采集的PWM整流器的三相电流波形，以及显示该三相电流波形的特征值，即该三相电流波形的故障特征量。在一个实施例中，是通过实验虚拟仪器工程平台(Laborary Virtual Instrument Engineering Workbench，简称Labview)编程将该目标神经网络模型加载到能馈供电装置的监控程序中，实现了PWM整流器的在线故障诊断。

本实施例中，在获取到能馈供电装置的PWM整流器的三相电流波形后，确定波形的故障特征量，并将故障特征量输入目标神经网络模型中，可以得到PWM整流器的实时故障诊断结果，从而可以实现该PWM整流器的故障的在线监控和实时诊断，能够在故障发生的第一时间发出警告，帮助工作人员及时采取相应的措施解决PWM整流器的故障。本申请提供的能馈供电装置的故障诊断方法可以有效的缩短能馈供电装置处于故障运行的时间，从而降低能馈供电装置的运行风险，延长能馈供电装置的使用寿命。

请参见图3，在本申请的一个实施例中，步骤S203之前，该方法还包括：

S301，确定初始神经网络模型的结构数据，该结构数据包括输入层节点个数、隐含层节点个数和输出层节点个数。

该初始神经网络模型包括输入层、隐含层和输出层，其中该输入层节点个数等于该故障特征值的个数，如图1中所示，三相电流波形经三层小波包分解后再求其范数熵得到了3×8共24个故障特征值。该输出层节点个数根据该故障特征量对应的故障种类的编码确定，在一个实施例中，使用二进制对该故障种类进行编码，例如22中故障种类需要5位二进制数表示，再加上表示整流或逆变状态的判别位，共需要6位二进制数，所以该输出层节点个数为6个。该隐含层节点个数通常基于经验公式进行试凑得出，常用的经验公式有：

或m＝log₂n；或

或m＝2n+1；其中，l代表该输出层节点个数；m代表该输入层节点个数；a为常数，取值范围为1～10。

S302，根据该初始神经网络模型的结构数据，创建初始神经网络模型。

该结构数据包括该初始神经网络模型的输入层节点个数、隐含层节点个数和输出层节点个数。需要说明的是，该初始神经网络模型属于按照误差逆向传播算法训练的多层前馈(back propagation，简称BP)神经网络。BP神经网络属于有监督学习，其学习过程主要包括信号的正向传输与误差的反向传递。信号的正向传输指的是作为训练数据的输入信号由输入层传递至隐含层，经隐含层处理后传向输出层。而误差的反向传递指的是若输出层未能得到期望的输出，则将实际输出与期望输出间的误差以某种形式，通过隐含层向输入层返回，并将误差分散于各层间的所有单元，进而获得各单元的参考误差，作为修改各个神经元间权值的依据。通过一次次的正向传输与反向传递，直到输出误差小于设定值或达到最大训练次数才会停止。

S303，训练该初始神经网络模型，将训练完成的该初始神经网络模型作为该目标神经网络模型。

请参见图4，在一个实施例中，步骤S302的一种可选的实施方式包括：

S401，获取布谷鸟算法。

布谷鸟算法也称为布谷鸟搜索算法或杜鹃搜索。

S402，根据该初始神经网络模型的结构数据，使用布谷鸟算法对该初始神经网络模型的参数进行编码，得到该初始神经网络的编码数据。

根据该初始神经网络模型的结构数据确定一个布谷鸟算法，再根据确定的该布谷鸟算法进行该参数的编码。该参数指的是该初始神经网络模型的初始权值和初始阈值，使用布谷鸟算法对该初始权值和该初始阈值进行编码，得到的该编码数据也是包括权值和阈值。通过布谷鸟算法优化该初始神经网络模型，解决了神经网络模型训练时易陷入局部最优的缺点。

S403，根据编码数据更新该初始神经网络模型，得到该目标神经网络模型。

即根据该待编码数据包括的权值和阈值更新该初始神经网络模型，得到该目标神经网络模型。将该故障特征量输入该目标神经网络模型后可以得到该PWM整流器的实时故障诊断结果。

请参见图5，在本申请的一个实施例中，S402的一种可选的实施方式包括：

S501，获取该布谷鸟算法中布谷鸟种群的每个布谷鸟个体对应于该初始神经网络模型的待编码权值和待编码阈值，得到与每个该布谷鸟个体对应的待编码数据，该待编码数据包括待编码权值和待编码阈值。

每个该布谷鸟个体的待编码权值和待编码阈值是随机生成的，但是每个该布谷鸟个体的待编码数据的长度是由该初始神经网络模型的结构数据包含的权值的数量和阈值的数量决定的，每个布谷鸟个体的待编码数据的长度是相等的。每个布谷鸟个体编码采用实数编码方法，每个该布谷鸟个体由一个实数串表示，该实数串由该初始神经网络模型的输入层、隐含层和输出层之间的权值数据和阈值数据组成，该输入层、隐含层和输出层之间的权值数据和阈值数据是随机生成分配的。

S502，确定与该布谷鸟种群中每个该布谷鸟个体对应的各个适应度值，得到适应度值数据组，该适应度值数据组中的适应度值的数量等于该预设数量。

在一个实施例中，根据公式

确定适应度值，其中，S代表适应度值，n代表第该初始神经网络模型的输出层节点个数，k代表系数，y_i代表该故障特征量处于节点i时在该初始神经网络模型的实际输出，o_i代表该故障特征量处于节点i时在该初始神经网络模型的预测输出，i代表节点。

可以理解的是，每个布谷鸟个体都有不同的n和i，根据每个布谷鸟个体对应的n和i，可以确定每个布谷鸟个体对应的适应度值，即S。该布谷鸟种群中所有布谷鸟个体的适应度值组成该适应度值数据组。

S503，根据该适应度值数据组中的适应度值的平均值，得到目标布谷鸟个体。

在一个实施例中，步骤S503的一种可选的实施方式包括：

若该适应度值数据组中的适应度值的平均值大于或等于预设平均值，则获取该适应度值数据组中的最大适应度值，并确定与该最大适应度值对应的布谷鸟个体，得到目标布谷鸟个体。

该适应度值的平均值，指的是该布谷鸟种群中所有的布谷鸟个体的适应度值之和除以该布谷鸟种群中布谷鸟个体的数量，得到的即为该适应度的平均值。该预设平均值由工作人员根据实际需要设定，本申请不做限定。如果该适应度值的平均值大于或等于该预设平均值，则获取该适应度值数据组中的最大适应度值，并确定与该最大适应度值对应的布谷鸟个体，得到目标布谷鸟个体。即，当该适应度值的平均值大于或等于该预设平均值时，从该布谷鸟种群中找到适应度值最大的布谷鸟个体，作为目标布谷鸟个体。

请参见图6，在本申请的一个实施例中，该能馈供电装置的故障诊断方法还包括：

S601，若该适应度值平均值小于该预设平均值，则迭代更新该布谷鸟种群，直至更新后的该布谷鸟种群对应的适应度值平均值大于或等于该预设平均值或者该迭代更新的次数达到预设更新次数。

其中，S601的一种可选的实施方式包括：

A、获取该布谷鸟种群中的第一布谷鸟个体和第二布谷鸟个体。

B、分别获取该第一布谷鸟个体对应的适应度值和该第二布谷鸟个体对应的适应度值，得到第一适应度值和第二适应度值。

C、若该第二适应度值大于该第一适应度值，则将该第一布谷鸟个体替换为该第二布谷鸟个体；

D、剔除n×p_a个适应度最差的个体，并随机生成n个个体补充入该布谷鸟种群，形成该更新后的布谷鸟种群；其中，n为输入层节点个数，p_a取值范围为0-1。

迭代执行步骤A-D，直至该更新后的布谷鸟种群对应的适应度值平均值大于或等于预设平均值或者该迭代更新的次数达到预设更新次数。

该第一布谷鸟个体和该第二布谷鸟个体可以为按顺序依次选择的两个布谷鸟个体，也可以为在该布谷鸟种群中随机选择的两个布谷鸟个体，具体选择方式可以根据实际需要选择，本申请不做限定。在一个实施例中，该第一布谷鸟个体和该第二布谷鸟个体可以为按照布谷鸟个体的排列顺序依次选择的两个布谷鸟个体。

若布谷鸟种群对应的适应度值平均值是小于该预设平均值的，则通过比较该第一适应度值和该第二适应度值选择较大的适应度值，若该第二适应度值大于该第一适应度值，则用该第二布谷鸟个体替换该第一布谷鸟个体，并且剔除该第一布谷鸟个体。即此时原有的第一布谷鸟个体和第二布谷鸟个体变为适应度值相等的两个布谷鸟个体，此时该两个布谷鸟个体的适应度值均等于该第二适应度值。在布谷鸟种群中的布谷鸟个体完成一次替换和剔除后，更新一次布谷鸟种群。除此之外，还需要剔除n×p_a个适应度最差的个体，并随机生成n个个体补充入该布谷鸟种群，形成该更新后的布谷鸟种群；其中，n为输入层节点个数，p_a取值范围为0～1。随机生成n个个体补充入种群的目的是保持该布谷鸟种群规模不变。在布谷鸟种群对应的适应度值平均值仍然小于该预设平均值时，需要不断通过布谷鸟个体的替换和剔除更新布谷鸟种群，直至该布谷鸟种群对应的适应度值平均值大于或等于该预设平均值。

S602，确定与该目标布谷鸟个体对应于该初始神经网络模型的待编码权值和待编码阈值，得到该编码数据。

该目标布谷鸟个体所属的布谷鸟种群对应的适应度值平均值大于或等于该预设平均值，该目标布谷鸟个体为所属的布谷鸟种群中适应度值最大的布谷鸟个体。该编码数据包括该目标布谷鸟个体的待编码权值和待编码阈值，根据该编码数据更新该初始神经网络模型，得到该目标神经网络模型。

可选的，上述步骤S601-S602可以在前述的S502之后执行，即，在获取到该适应度值数据组之后，可以使用步骤S601-S602的过程根据该适应度值数据组对应的适应度值平均值进行布谷鸟种群的更新，直至更新后的布谷鸟种群对应的适应度值平均值大于或等于该预设平均值。

请参见图7，在本申请的一个实施例中，该能馈供电装置的故障诊断方法还包括：

S701，获取已知故障诊断结果对应的三相电流波形，得到测试波形。

即已经知道PWM整流器的某个三相电流波形对应的开路的故障诊断结果，用该某个三相电流波形作为测试波形验证该目标神经网络模型对PWM整流器的开路故障的诊断准确率。

S702，将该测试波形输入至该目标神经网络模型，得到故障诊断结果。

具体的，是先确定该测试波形的故障特征量，再将该测试波形的故障特征量输入该目标神经网络模型，得到该测试波形对应的故障诊断结果。

S703，对比该故障诊断结果和该已知故障诊断结果，确定该目标神经网络模型的诊断准确率。

该诊断准确率为对用于测试的110组数据的整体诊断准确率，该诊断准确率越高，整体诊断效果越好。

S704，若该诊断准确率大于或等于预设准确率，则获取并保存该目标神经网络模型的神经网络结构和模型参数，得到诊断神经网络模型，其中，该诊断神经网络模型不再被更新；

即，若该诊断准确率大于或等于预设准确率，则保存并确定此时的神经网络结构与参数作为训练完毕用于诊断的神经网络的结构与参数，且不再对神经网络参数进行更新。该预设准确率由工作人员根据实际需要设定，本申请不做限定。若该诊断准确率大于或等于该预设准确率，则证明该诊断神经网络模型的故障诊断能力符合要求，可以投入使用。在该目标神经网络模型投入使用之前对该目标神经网络模型进行测试可以降低故障诊断错误的风险，保障PWM整流器的实时故障诊断结果的准确率。

S705，将该故障特征量输入至该诊断神经网络模型，得到该PWM整流器的实时故障诊断结果。

在应用时，将该故障特征量输入至该训练完毕的神经网络，即该诊断神经网络模型，得到该PWM整流器的实时故障诊断结果。需要说明的是，该诊断神经网络模型指的是已经确定神经网络结构和模型参数的该目标神经网络模型，且该诊断神经网络模型不再被更新。因此，也可以说是将该故障特征量输入至该目标神经网络模型，但此时该目标神经网络模型的神经网络结构和模型参数已经确定，且该目标神经网络模型不再被更新，且该目标神经网络模型的诊断准确率大于或等于预设准确率。

可选的，上述步骤S701-S704可以在前述的步骤S203之前执行，即，在获取到该故障特征量之后，可以使用步骤S701-S704的过程对该目标神经网络模型进行验证和测试，直到该目标神经网络模型的诊断准确率达到该预设准确率，才将该故障特征量输入该目标神经网络模型。

请参见图8，本申请还提供一种能馈装置开路故障诊断装置10，包括：

获取模块11，用于获取能馈供电装置的PWM整流器的三相电流波形；

处理模块12，用于确定该三相电流波形的故障特征量，该故障特征量为基于小波包分解法从三相电流波形信号中提取的范数熵。

该处理模块12还用于将该故障特征量输入目标神经网络模型，得到该PWM整流器的实时故障诊断结果。

该处理模块12具体用于确定初始神经网络模型的结构数据，该结构数据包括输入层节点个数、隐含层节点个数和输出层节点个数；根据该初始神经网络模型的结构数据，创建初始神经网络模型；训练该初始神经网络模型，将训练完成的该初始神经网络模型作为该目标神经网络模型。

该处理模块12具体用于获取布谷鸟算法；根据该初始神经网络模型的结构数据，使用布谷鸟算法对该初始神经网络模型的参数进行编码，得到该初始神经网络的编码数据；根据编码数据更新该初始神经网络模型，得到该目标神经网络模型。

该处理模块12具体用于获取该布谷鸟算法中布谷鸟种群的每个布谷鸟个体对应于该初始神经网络模型的待编码权值和待编码阈值，得到与每个该布谷鸟个体对应的待编码数据，该待编码数据包括待编码权值和待编码阈值；确定与该布谷鸟种群中每个该布谷鸟个体对应的多个适应度值，得到适应度值数据组，该适应度值数据组中的适应度值的数量等于该预设数量；根据该适应度值数据组中的适应度值的平均值，得到目标布谷鸟个体；确定与该目标布谷鸟个体对应于该初始神经网络模型的待编码权值和待编码阈值，得到该编码数据。

该处理模块12具体用于若该适应度值数据组中的适应度值的平均值大于或等于预设平均值，则获取该适应度值数据组中的最大适应度值，并确定与该最大适应度值对应的布谷鸟个体，得到目标布谷鸟个体。

该处理模块12具体用于若该适应度值平均值小于该预设平均值，则迭代更新该布谷鸟种群，直至更新后的该布谷鸟种群对应的适应度值平均值大于或等于该预设平均值或者该迭代更新的次数达到预设更新次数。

该处理模块12具体用于A、获取该布谷鸟种群中的第一布谷鸟个体和第二布谷鸟个体；B、分别获取该第一布谷鸟个体对应的适应度值和该第二布谷鸟个体对应的适应度值，得到第一适应度值和第二适应度值；C、若该第二适应度值大于该第一适应度值，则将该第一布谷鸟个体替换为该第二布谷鸟个体，D、剔除n×p_a个适应度最差的个体，并随机生成n个个体补充入该布谷鸟种群，形成该更新后的布谷鸟种群；其中，n为输入层节点个数，p_a取值范围为0～1；迭代执行步骤A-D，直至该更新后的布谷鸟种群对应的适应度值平均值大于或等于预设平均值或者该迭代更新的次数达到预设更新次数。

该处理模块12具体用于基于小波包算法，确定该三相电流波形的故障特征量。

测试模块13，用于获取已知故障诊断结果对应的三相电流波形，得到测试波形；将该测试波形输入至该目标神经网络模型，得到故障诊断结果；对比该故障诊断结果和该已知故障诊断结果，确定该目标神经网络模型的诊断准确率；若该诊断准确率大于或等于预设准确率，则获取并保存该目标神经网络模型的神经网络结构和模型参数，得到诊断神经网络模型，其中，该诊断神经网络模型不再被更新；将该故障特征量输入至该诊断神经网络模型，得到该PWM整流器的实时故障诊断结果。

请参见图9，本申请还提供一种计算机设备20，包括存储器21，处理器22和收发器23，该存储器31用于存储指令，该收发器23用于和其他设备通信，该处理器22用于执行该存储器21中存储的指令，以使该计算机设备执行如上任一项的能馈装置开路故障诊断方法。

本申请还提供一种计算机可读存储介质，该计算机可读存储介质中存储有计算机执行指令，当该指令被执行时，使得计算机执行指令被处理器执行时用于实现如上任一项实施例提供的该能馈装置开路故障诊断方法。本申请还提供一种另一种计算机可读存储介质，该计算机可读存储介质中存储有计算机执行指令，当该指令被执行时，使得计算机执行如上任一项实施例提供的能馈装置开路故障诊断方法。

需要说明的是，上述计算机可读存储介质可以是只读存储器(Read Only Memory，ROM)、可编程只读存储器(Programmable Read-Only Memory，PROM)、可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，EPROM)、电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、磁性随机存取存储器(Ferromagnetic Random Access Memory，FRAM)、快闪存储器(Flash Memory)、磁表面存储器、光盘、或只读光盘(Compact Disc Read-Only Memory，CD-ROM)等存储器。也可以是包括上述存储器之一或任意组合的各种电子设备，如移动电话、计算机、平板设备、个人数字助理等。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本申请各个实施例所描述的方法。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (8)

1.一种能馈供电装置的故障诊断方法，其特征在于，包括：

获取能馈供电装置的脉冲宽度调制PWM整流器的三相电流波形；

确定所述三相电流波形的故障特征量，所述故障特征量为基于小波包分解法从三相电流波形信号中提取的范数熵；

将所述故障特征量输入目标神经网络模型，得到所述PWM整流器的实时故障诊断结果；

其中，所述将所述故障特征量输入目标神经网络模型之前，还包括：创建初始神经网络模型；训练所述初始神经网络模型，将训练完成的所述初始神经网络模型作为所述目标神经网络模型；

其中，所述训练所述初始神经网络模型，包括：

获取布谷鸟算法，以及获取所述布谷鸟算法中布谷鸟种群的每个布谷鸟个体对应于所述初始神经网络模型的待编码权值和待编码阈值，得到与每个所述布谷鸟个体对应的待编码数据，所述待编码数据包括待编码权值和待编码阈值；

确定与所述布谷鸟种群中每个所述布谷鸟个体对应的各个适应度值，得到适应度值数据组，所述适应度值数据组中的适应度值的数量等于预设数量；

若所述适应度值数据组中的适应度值的平均值大于或等于预设平均值，则获取所述适应度值数据组中的最大适应度值，并确定与所述最大适应度值对应的布谷鸟个体，得到目标布谷鸟个体；

确定与所述目标布谷鸟个体对应于所述初始神经网络模型的待编码权值和待编码阈值，得到编码数据；

根据编码数据更新所述初始神经网络模型，得到所述目标神经网络模型。

2.根据权利要求1所述的方法，其特征在于，所述创建初始神经网络模型包括：

确定初始神经网络模型的结构数据，所述结构数据包括输入层节点个数、隐含层节点个数和输出层节点个数；

根据所述初始神经网络模型的结构数据，创建初始神经网络模型。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

若所述适应度值平均值小于预设平均值，则迭代更新所述布谷鸟种群，直至更新后的所述布谷鸟种群对应的适应度值平均值大于或等于所述预设平均值或者所述迭代更新的次数达到预设更新次数。

4.根据权利要求3所述的方法，其特征在于，所述迭代更新所述布谷鸟种群，直至更新后的所述布谷鸟种群对应的适应度值平均值大于或等于所述预设平均值或者所述迭代更新的次数达到预设更新次数，包括：

A、获取所述布谷鸟种群中的第一布谷鸟个体和第二布谷鸟个体；

B、分别获取所述第一布谷鸟个体对应的适应度值和所述第二布谷鸟个体对应的适应度值，得到第一适应度值和第二适应度值；

C、若所述第二适应度值大于所述第一适应度值，则将所述第一布谷鸟个体替换为所述第二布谷鸟个体；

D、剔除n

个适应度最差的个体，并随机生成n个个体补充入所述布谷鸟种群，形成所述更新后的布谷鸟种群；其中，n为输入层节点个数，

取值范围为0~1；

迭代执行步骤A-D，直至所述更新后的布谷鸟种群对应的适应度值平均值大于或等于预设平均值或者所述迭代更新的次数达到预设更新次数。

5.根据权利要求1至4任一项所述的方法，其特征在于，所述方法还包括：

获取已知故障诊断结果对应的三相电流波形，得到测试波形；

将所述测试波形输入至所述目标神经网络模型，得到故障诊断结果；

对比所述故障诊断结果和所述已知故障诊断结果，确定所述目标神经网络模型的诊断准确率；

若所述诊断准确率大于或等于预设准确率，则获取并保存所述目标神经网络模型的神经网络结构和模型参数，得到诊断神经网络模型，其中，所述诊断神经网络模型不再被更新；

将所述故障特征量输入至所述诊断神经网络模型，得到所述PWM整流器的实时故障诊断结果。

6.一种能馈装置开路故障诊断装置，其特征在于，包括：

获取模块，用于获取能馈供电装置的脉冲宽度调制PWM整流器的三相电流波形；

处理模块，用于确定所述三相电流波形的故障特征量，所述故障特征量为基于小波包分解法从三相电流波形信号中提取的范数熵；

所述处理模块还用于将所述故障特征量输入目标神经网络模型，得到所述PWM整流器的实时故障诊断结果；

其中，所述将所述故障特征量输入目标神经网络模型之前，所述处理模块还用于：创建初始神经网络模型；训练所述初始神经网络模型，将训练完成的所述初始神经网络模型作为所述目标神经网络模型；

其中，所述处理模块在训练所述初始神经网络模型时，具体用于：

获取布谷鸟算法，以及获取所述布谷鸟算法中布谷鸟种群的每个布谷鸟个体对应于所述初始神经网络模型的待编码权值和待编码阈值，得到与每个所述布谷鸟个体对应的待编码数据，所述待编码数据包括待编码权值和待编码阈值；

确定与所述布谷鸟种群中每个所述布谷鸟个体对应的各个适应度值，得到适应度值数据组，所述适应度值数据组中的适应度值的数量等于预设数量；

若所述适应度值数据组中的适应度值的平均值大于或等于预设平均值，则获取所述适应度值数据组中的最大适应度值，并确定与所述最大适应度值对应的布谷鸟个体，得到目标布谷鸟个体；

确定与所述目标布谷鸟个体对应于所述初始神经网络模型的待编码权值和待编码阈值，得到编码数据；

根据编码数据更新所述初始神经网络模型，得到所述目标神经网络模型。

7.一种计算机设备，其特征在于，包括存储器，处理器和收发器，所述存储器用于存储指令，所述收发器用于和其他设备通信，所述处理器用于执行所述存储器中存储的指令，以使所述计算机设备执行如权利要求1-5任一项所述的能馈供电装置的故障诊断方法。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当所述指令被执行时，使得计算机执行如权利要求1-5中任一项所述的能馈供电装置的故障诊断方法。

Images